正則表達式在網頁課表抓取中的應用

申圣兵

現在流行的校園類App如超級課程表、課程格子等都是以學生熟悉的課程表作為應用的切入點，受到了他們的喜愛。有些應用包含上千所學校的課表信息，這些學校的課表信息千差萬別，正則表達式成了一個識別和解析它們的有力工具。

課表的信息來源一般是正方、青果等教務管理系統，它們一般都是以網頁形式顯示的，其中典型的網頁課表源碼格式如下：

計算機網絡（A）

周二第1，2節{第315周|單周}

馮海林（馮海林）

教1609（多媒體）

它們一般包括課程名、星期、節次、周數、教師、教室等信息，相關類別信息以HTML標記

分隔，很容易使用JSoup等工具解析出來，比較復雜的地方主要是星期、節次等信息，它們往往是連在一起的，不容易分離，并且格式多樣，因此，使用正則表達式解析這一部分內容成了課表解析的一個關鍵。

1 課表節次的一般格式

下面是一些常見的課表節次信息格式：

（1）周二第1，2節{第416周}二，1，2，4，16，null

（2）{第210周|3節/周}null，null，null，2，10，3節/周

（3）周二第1，2節{第416周|雙周}二，1，2，4，16，雙周

（4）周二第1節{第416周}二，1，null，4，16，null

（5）周二第1節{第416周|雙周}二，1，null，4，16，雙周

這些包括了常見的課表節次格式，如果和以上的格式不符，那么就要自行修改正則表達式。

2 正則表達式的使用方法

現在以Java語言為例介紹正則表達式在高級語言中的使用方法。Java從JDK 1.40版本開始包含了java.util.regex包，這個包中包括了兩個類：Pattern（模式類）和Matcher（匹配器類），一個Pattern對象就是一個正則表達式經編譯后的表現模式，也就是前邊所說的“模式編譯器”；一個Matcher對象是一個狀態機器，它根據Pattern對象作為匹配模式對字符串展開匹配檢查，也就是“模式匹配器”。這里主要使用了Pattern類的compile方法及Matcher類的matches方法。它們的作用如下：

（1）compile（String regex）方法：將指定的正則表達式進行編譯。

（2）matches（）方法：判斷整個字符序列與模式是否匹配。如果連續用Matcher對象檢查多個字符串，可以使用reset方法重置匹配器，放棄其所有顯式狀態信息并將其添加位置設置為零。

課表正則表達式中使用了組，組在正則表達式中是一個非常重要的概念。組是用括號來劃分正則表達式的，可以通過編號來引用組。組號從0開始，有幾對小括號就表示有幾個組，并且組可以嵌套，組號為0的表示整個表達式，組號為1的表示第一個組，依此類推。例如：A（（B）C）（D）E正則式中有四組：組0是ABCDE，組1是BC，組2是B；組3是C，組4是D。

3 正則表達式在提取課表信息中的應用

下面我們以提取課程節次信息為例，看看正則表達式的靈活應用。

節次信息的正則表達式可寫成：String reg = “周（.）第（＼＼d{1，2}），（＼＼d{1，2}）節＼＼{第（＼＼d{1，2}）（＼＼d{1，2}）周＼＼|（（.*周））＼＼}”；

String splitPattern = “

”；//設置課表分隔標記

String[] temp = sub.split（splitPattern）；//將課表信息分離，存在字符串數組中，數組第二個為節次信息

Pattern pattern = Pattern.compile（reg）；

Matcher matcher = pattern.matcher（temp[1]）；

matcher.matches（）；

最終得到的課表格式如下圖如示：

4 結語

現在流行的開發語言比如C#、VB、Java等等都提供了對正則表達式的直接支持，在很多領域得到了應用，由于正則表達式相對比較抽象，不容易理解，要精通它比較困難，但熟悉一些常用操作，對我們的工作還是有很大的幫助的。

參考文獻：

[1]胡軍偉.正則表達式在Web信息抽取中的應用.北京信息科技大學學報，2011.

[2]張靜.正則表達式及其在信息抽取中的應用.電腦知識與技術，2009.

[3]唐惠麗.正則表達式的研究及在Web中的應用.計算機技術與發展，2013.